大家好，欢迎收听“Hugging Face 每日AI论文速递”。今天是2024年8月07日，我们将带您快速浏览12篇热门AI论文，涵盖视觉语言模型评估、图像处理、多模态数据集等多个前沿领域。现在，让我们立即进入今天的论文速递。

[00:24] 📊 MMIU: Multimodal Multi-image Understanding for Evaluating Large Vision-Language Models（MMIU：评估大型视觉语言模型在多图像理解上的能力）

[01:03] 🌐 LLaVA-OneVision: Easy Visual Task Transfer（LLaVA-OneVision：简易视觉任务转移）

[01:46] 🎨 An Object is Worth 64x64 Pixels: Generating 3D Object via Image Diffusion（一个物体值得64x64像素：通过图像扩散生成3D物体）

[02:26] 🖼 IPAdapter-Instruct: Resolving Ambiguity in Image-based Conditioning using Instruct Prompts（IPAdapter-Instruct：使用指令提示解决基于图像条件控制的模糊性问题）

[03:13] 🩺 MedTrinity-25M: A Large-scale Multimodal Dataset with Multigranular Annotations for Medicine（MedTrinity-25M：一个用于医学的大规模多模态数据集，具有多粒度标注）

[03:50] 🧠 Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters（最优扩展大型语言模型测试时计算量比扩展模型参数更有效）

[04:21] 🧠 CoverBench: A Challenging Benchmark for Complex Claim Verification（CoverBench：一个针对复杂声明验证的挑战性基准）

[05:02] 🔍 Diffusion Models as Data Mining Tools（扩散模型作为数据挖掘工具）

[05:42] 🎭 ReSyncer: Rewiring Style-based Generator for Unified Audio-Visually Synced Facial Performer（ReSyncer：基于风格的生成器用于统一音视频同步面部表演者）

[06:31] 📊 StructEval: Deepen and Broaden Large Language Model Assessment via Structured Evaluation（StructEval：通过结构化评估深化和扩展大型语言模型评估）

[07:11] ⚡ AVESFormer: Efficient Transformer Design for Real-Time Audio-Visual Segmentation（AVESFormer：实时音频-视觉分割的高效Transformer设计）

[07:48] 🔗 Synthesizing Text-to-SQL Data from Weak and Strong LLMs（合成文本到SQL数据：利用弱和强大型语言模型）

【关注我们】

您还可以在以下平台找到我们，获得播客内容以外更多信息

小红书: AI速递